Una cámara que revisa cada pieza, no se cansa en el tercer turno y guarda la foto de cada rechazo suena a solución obvia. A veces lo es. Otras veces termina en un equipo caro que rechaza piezas buenas y deja pasar las malas. La diferencia rara vez está en la marca de la cámara: está en si tu defecto se puede ver, en la iluminación y en cómo se mide el resultado. Esta guía te ayuda a decidir antes de comprar.
Respuesta corta: La visión artificial para control de calidad conviene cuando el defecto es visible con contraste suficiente, la pieza llega en posición repetible y el costo de un defecto que llega al cliente es alto. Si el defecto es geométrico y estable, basta visión clásica con reglas; si es variable (rayas, manchas, texturas), hace falta aprendizaje profundo e imágenes reales de producción. Pruébalo con un piloto de 4 semanas en paralelo al inspector, midiendo falsos rechazos y escapes.
Está escrita para dueños y gerentes de calidad de plantas medianas que reciben reclamaciones de clientes, tienen inspectores haciendo revisión visual al 100 % o están evaluando una cotización de un integrador y no saben si les están vendiendo lo que necesitan.
- ¿Qué problema resuelve y cuál no?
- Test de viabilidad: 6 preguntas sobre tu defecto
- Visión clásica vs deep learning
- ¿Cuántas imágenes de defectos necesito?
- Iluminación, cámara y montaje
- Componentes del costo y qué es recurrente
- Piloto de 4 semanas paso a paso
- Cómo medirlo: falsos rechazos, escapes y trazabilidad
- Integración con el PLC, el rechazo físico y el ERP
- Preguntas frecuentes
¿Qué problema resuelve y cuál no?
La visión artificial resuelve bien tres tipos de tarea: detectar si algo está o falta (un tornillo, una etiqueta, un sello), medir dimensiones o posiciones dentro de una tolerancia y clasificar la apariencia de una superficie (rayas, manchas, poros, rebabas). También lee códigos y textos impresos para trazabilidad.
Su ventaja frente a la inspección manual no es solo la velocidad. Es la consistencia: aplica el mismo criterio a la pieza de las 7:00 y a la de las 3:00, y deja evidencia. La inspección por muestreo, como la que describe la norma ISO 2859-1 (muestreo por atributos, cuya edición de 1999 fue sustituida por la de 2026), acepta o rechaza lotes a partir de una muestra; una cámara en línea permite pasar a inspección al 100 % cuando el costo de un escape lo justifica.
Lo que no resuelve:
- Defectos que no se ven en la superficie accesible a la cámara (grietas internas, propiedades del material, fugas).
- Problemas de proceso: si la inyectora produce rebabas, la cámara las detecta, pero no las evita. El valor está en usar el dato para corregir la causa.
- Criterios de calidad que ni tus inspectores tienen claros. Si dos inspectores discrepan sobre la misma pieza, el sistema heredará esa ambigüedad.
Test de viabilidad: 6 preguntas sobre tu defecto
Antes de pedir cotizaciones, responde estas seis preguntas con tu jefe de calidad. Si fallas en dos o más, el proyecto no es imposible, pero será más caro y largo de lo que te dirán en la primera reunión.
| Pregunta | Señal verde | Señal de alerta |
|---|---|---|
| 1. ¿Una persona ve el defecto en una foto de celular bien iluminada? | Sí, sin dudar | Solo al tacto, a contraluz o girando la pieza |
| 2. ¿Tiene contraste con la pieza buena? | Cambio claro de color, brillo o forma | Mismo color y textura que el fondo |
| 3. ¿Cuál es el tamaño mínimo que importa? | Visible a la distancia de montaje posible | Décimas de milímetro en una pieza grande |
| 4. ¿La pieza llega en posición repetible? | Guiada, en fixture o banda con tope | Suelta, girada, apilada o en movimiento irregular |
| 5. ¿A qué velocidad pasa la línea? | Hay tiempo para una o varias fotos por pieza | Muy alta velocidad sin disparo sincronizado |
| 6. ¿Cuánto varían las piezas buenas? | Poco: mismo modelo, color y acabado | Muchos modelos, colores o acabados naturales |
La pregunta 1 es la más barata y la más reveladora. Si un inspector necesita girar la pieza bajo la lámpara para encontrar la raya, la cámara también necesitará un montaje que reproduzca ese ángulo de luz. Y la pregunta 6 decide muchas veces el enfoque: poca variación en lo bueno favorece las reglas clásicas; mucha variación empuja al aprendizaje profundo.
Visión clásica (reglas) vs deep learning: ¿cuándo cada una?
La visión clásica usa herramientas programadas: umbrales de brillo, detección de bordes, conteo de píxeles, comparación con un patrón, medición entre puntos. El aprendizaje profundo (deep learning) aprende a partir de ejemplos etiquetados a reconocer apariencias difíciles de describir con reglas. Las revisiones académicas del campo, como la de Czimmermann et al. (2020, Sensors) sobre detección visual de defectos o la de Wang et al. (2018, Journal of Manufacturing Systems) sobre deep learning en manufactura, recogen ambas familias y sus usos.
| Criterio | Visión clásica | Deep learning |
|---|---|---|
| Mejor para | Presencia o ausencia, medición, posición, lectura de códigos | Defectos cosméticos variables: rayas, manchas, poros, texturas |
| Qué necesita | Pieza y luz muy repetibles, reglas definidas por un experto | Imágenes reales de producción, etiquetadas con criterio consistente |
| Explicabilidad | Alta: sabes qué regla falló | Menor: se valida con estadísticas y mapas de zonas |
| Ajuste ante cambios | Reprogramar reglas | Añadir ejemplos y reentrenar |
| Riesgo típico | Rígida ante variación natural de la pieza | Aprende atajos del fondo o la luz si las imágenes están sesgadas |
En la práctica, muchas estaciones combinan ambas: reglas clásicas para localizar la pieza y medir, y un modelo para juzgar la apariencia de una zona. Si tu integrador propone deep learning para comprobar que hay una etiqueta, pregunta por qué; si propone reglas para detectar manchas en madera o piel, también.
Un tercer camino es la detección de anomalías: el modelo aprende solo cómo es una pieza buena y marca lo que se aparta. El conjunto de datos de referencia MVTec AD (Bergmann et al., CVPR 2019), muy usado en investigación, se construyó precisamente así: imágenes de entrenamiento sin defectos e imágenes con anomalías reservadas para la prueba. Es útil cuando los defectos son raros o nunca se repiten igual.
¿Cuántas imágenes de defectos necesito y cómo conseguirlas?
No hay una cifra universal, y desconfía de quien te dé una sin ver tus piezas. Depende del enfoque, de cuántos tipos de defecto quieras distinguir y de cuánto varían las piezas buenas. Lo que sí es constante es el criterio:
- Visión clásica: necesita pocas imágenes para programar, pero muchas para validar. La validación debe incluir la variación real: lotes de material distintos, turnos, suciedad, desgaste del herramental.
- Clasificación supervisada: necesita ejemplos de cada tipo de defecto que quieras reconocer, repartidos entre turnos y lotes. Si un defecto aparece dos veces al año, no podrás entrenarlo como clase propia.
- Detección de anomalías: se apoya sobre todo en piezas buenas, que abundan, y reserva los defectos para comprobar que el sistema los detecta.
Protocolo de captura para no tirar el trabajo
- Captura con el montaje definitivo o muy parecido. Fotos de celular sirven para el test de viabilidad, no para entrenar: el modelo aprenderá la luz de tu oficina.
- Guarda las piezas rechazadas por calidad durante las semanas previas, etiquetadas con el tipo de defecto. Es la fuente más barata de ejemplos.
- Cubre la variación: varios turnos, lotes de materia prima, operadores y días. Un conjunto capturado en una sola mañana engaña.
- Etiqueta con un criterio escrito y con al menos dos personas revisando los casos dudosos. Las discrepancias revelan dónde tu propio estándar no está claro.
- Separa desde el principio las imágenes de entrenamiento de las de prueba, idealmente por fecha o por lote, para que la prueba refleje piezas que el sistema no ha visto.
Iluminación, cámara y montaje: la parte que nadie cuenta
En las reuniones comerciales se habla de algoritmos. En la planta, los proyectos se ganan o se pierden con la luz. Un fabricante lo resume así en su guía básica de visión: "lo que la cámara no puede ver, un sistema de visión no lo puede inspeccionar", y la forma, el tamaño, el color, la distancia y el ángulo de la iluminación se eligen para resaltar precisamente el rasgo que se inspecciona.
| Tipo de luz | Qué resalta | Ejemplo de uso |
|---|---|---|
| Contraluz (backlight) | Silueta y contorno | Medir perfiles, detectar perforaciones faltantes |
| Luz rasante (ángulo bajo) | Relieves y rayas en superficies planas | Rayas en lámina, grabados, rebabas |
| Luz difusa (domo) | Superficies brillantes sin reflejos | Piezas metálicas pulidas, envases |
| Luz coaxial | Superficies planas reflectantes | Marcas sobre metal, lectura de códigos grabados |
Tres detalles de montaje que conviene exigir desde la cotización: blindaje contra la luz ambiente (la nave cambia de luz entre la mañana y la noche), fijación mecánica sin vibración y disparo sincronizado con un sensor o encoder, para que la foto se tome siempre con la pieza en el mismo sitio.
Componentes del costo y qué es recurrente
No damos precios de mercado porque varían mucho por resolución, velocidad, número de cámaras y marca, y cualquier cifra genérica te confundiría más que ayudarte. Sí puedes exigir que la cotización separe cada componente:
| Componente | Tipo | Qué preguntar |
|---|---|---|
| Cámara(s) y lentes | Único | Resolución y campo de visión frente al tamaño mínimo del defecto |
| Iluminación y blindaje | Único, con reposición | Vida útil de la luz y costo de reemplazo |
| Montaje mecánico, sensor de disparo y rechazo físico | Único | Quién lo fabrica e instala; si incluye el expulsor |
| Computadora industrial o cámara inteligente | Único | Si el procesamiento es local o en la nube |
| Software de visión | Único o recurrente | Licencia perpetua, suscripción o por estación |
| Captura, etiquetado y entrenamiento | Único | Quién etiqueta y cuántas horas de tu equipo exige |
| Integración con PLC, MES o ERP | Único | Qué señales y datos se intercambian |
| Reentrenamiento y soporte | Recurrente | Qué pasa cuando cambie la pieza, el proveedor de material o la luz |
El costo que más se olvida es el último. Cada cambio de modelo o de materia prima puede requerir ajustar reglas o añadir imágenes. Pregunta si tu equipo podrá hacerlo o si dependerá siempre del integrador.
¿Tu defecto se puede detectar con una cámara?
Mándanos 20 fotos de piezas buenas y 20 de defectuosas: en el diagnóstico te decimos si es viable y qué tipo de solución haría falta.
Piloto de 4 semanas paso a paso
El piloto sirve para decidir con datos antes de invertir en toda la línea. Su regla de oro: durante el piloto, la cámara no rechaza nada. Trabaja "en sombra", en paralelo al inspector, y se comparan ambos resultados.
- Semana 1: montaje y captura. Se instala una estación provisional con la iluminación elegida en el punto real de la línea. Se acuerda por escrito qué es defecto y qué no, con fotos de referencia firmadas por calidad.
- Semana 2: etiquetado y configuración. Se etiquetan las imágenes capturadas, se configuran reglas o se entrena el modelo, y se reserva un conjunto de prueba de días o lotes distintos.
- Semana 3: operación en sombra. El sistema juzga cada pieza y registra su veredicto sin actuar. El inspector sigue trabajando como siempre. Cada discrepancia se revisa: a veces se equivoca la cámara y a veces el inspector.
- Semana 4: evaluación y decisión. Se calculan falsos rechazos y escapes frente al criterio acordado y se decide: pasar a producción, ajustar y repetir, o descartar. Los umbrales de aceptación se fijan antes de la semana 1, no después.
Criterio de parada: si al final de la semana 3 el sistema no distingue los defectos principales en el conjunto de prueba, el problema suele estar en la luz o en la definición del defecto, no en el algoritmo. Revisa esas dos cosas antes de ampliar el piloto.
Cómo medirlo: falsos rechazos, escapes y trazabilidad al lote
La métrica que más se vende, la "precisión" en porcentaje, sirve de poco a dirección. Lo que importa son dos errores con costos muy distintos:
- Falso rechazo: el sistema rechaza una pieza buena. Cuesta material, reproceso o una revisión manual extra.
- Escape: el sistema acepta una pieza defectuosa. Puede costar una reclamación, un lote devuelto o la pérdida del cliente.
| La pieza es buena | La pieza es defectuosa | |
|---|---|---|
| El sistema la acepta | Correcto | Escape |
| El sistema la rechaza | Falso rechazo | Correcto |
Ejemplo ilustrativo de cálculo
Con números inventados solo para enseñar el método: un turno produce 10,000 piezas, de las cuales 100 son defectuosas. El sistema detecta 95 y deja pasar 5 (tasa de escape del 5 % sobre las defectuosas). Además rechaza por error 150 de las 9,900 buenas (falso rechazo del 1.5 %).
Lectura para dirección: esas 150 piezas buenas rechazadas deben revisarse a mano o se pierden; las 5 que escapan llegan al cliente. Si tu cliente penaliza fuerte los escapes, ajustarás el sistema para ser más estricto y aceptarás más falsos rechazos. Esa decisión es de negocio, no técnica, y debe tomarla calidad con dirección.
Ese equilibrio también afecta a la productividad: las piezas buenas rechazadas bajan el componente de calidad del OEE si no se recuperan. Lo explicamos en la calidad dentro del OEE.
Trazabilidad al lote: guarda por cada pieza inspeccionada (o al menos por cada rechazo) la imagen, el veredicto, la fecha y hora, la línea y el lote o número de orden. Cuando llegue una reclamación, podrás demostrar qué se inspeccionó, y con el tiempo esos datos muestran en qué turno, máquina o lote de material aparecen más defectos.
Integración con el PLC, el rechazo físico y el ERP
Una estación de visión aislada ahorra poco. Rinde cuando se conecta con tres cosas:
- El PLC de la línea. Recibe la señal de disparo y devuelve el resultado (pieza OK o NOK). Se hace con señales digitales o por red industrial, según lo que soporten tu PLC y la cámara; conviene confirmarlo con el integrador antes de comprar.
- El rechazo físico. Un expulsor, un desviador o una alarma que detenga la línea. La sincronización importa: si la pieza recorre metros entre la cámara y el expulsor, hay que seguirla con un encoder para expulsar la correcta.
- El ERP o MES. Los conteos de rechazo por lote y por causa alimentan el registro de calidad, el OEE y, si procede, la trazabilidad que te piden tus clientes. Aquí suele entrar la parte de software: conectar la inspección con tu ERP para que el dato no se quede en la computadora de la estación.
El mismo dato de defectos puede cruzarse con los de la máquina. Si el número de rechazos sube cuando cierta herramienta se desgasta, estás a un paso del mantenimiento predictivo. Y si quieres ver cómo encaja la calidad con otros proyectos de planta, revisa los casos de uso de IA en manufactura. En visión artificial para plantas resumimos cómo trabajamos este tipo de proyectos.
Preguntas frecuentes
¿La visión artificial sustituye al inspector de calidad?
Sustituye la parte repetitiva: mirar cada pieza durante horas. El inspector pasa a revisar los casos dudosos, validar el criterio, etiquetar nuevos defectos y analizar causas. Durante el piloto es imprescindible, porque su juicio es la referencia contra la que se mide el sistema.
¿Sirve una cámara normal o una webcam?
Para el test de viabilidad, fotos de celular bien iluminadas bastan. Para producción, normalmente no: una cámara industrial ofrece disparo sincronizado, exposición controlada, lentes adecuados y resistencia al entorno de planta. Lo que decide no es el precio de la cámara, sino que capture el defecto de forma repetible.
¿Qué pasa si cambio de modelo de pieza?
Hay que configurar o entrenar el nuevo modelo. En visión clásica se crean o ajustan reglas; en deep learning se añaden imágenes del nuevo producto. Pregunta al proveedor cuánto tarda ese cambio, quién lo hace y si tu equipo puede aprender a hacerlo, porque es un costo recurrente real.
¿Puedo detectar defectos que casi nunca aparecen?
Sí, pero no entrenando cada defecto raro como clase propia. La detección de anomalías aprende cómo es una pieza buena y marca lo que se aparta, así que no necesita muchos ejemplos de cada defecto. Aun así, hacen falta algunos casos reales para comprobar que los detecta antes de confiar en el sistema.
¿Visión artificial o inspección por muestreo?
Resuelven cosas distintas. El muestreo por atributos, como el de la ISO 2859-1, decide si aceptas un lote a partir de una muestra. La inspección con cámara en línea revisa cada pieza. Conviene al 100 % cuando un escape es muy caro o el cliente lo exige, y la línea permite montar la estación.
¿Las imágenes se procesan en la nube?
Normalmente no hace falta. La decisión de aceptar o rechazar se toma en local, en una computadora industrial o en la propia cámara, porque la línea no puede esperar a Internet. La nube se usa, si se quiere, para guardar imágenes, analizar tendencias o reentrenar modelos.
Antes de pedir cotizaciones, valida tu defecto
Mándanos 20 fotos de piezas buenas y 20 de defectuosas: en el diagnóstico gratuito de 30 minutos te decimos si es viable con cámara y qué tipo de solución haría falta.